Fluidos por Meio da Análise de Perfis Elétricos de Poços de Petróleo da Amazônia
|
|
- Mirella Andrade
- 4 Há anos
- Visualizações:
Transcrição
1 Seleção de Características para Classificação de Fluidos por Meio da Análise de Perfis Elétricos de Poços de Petróleo da Amazônia Joacir M. de Oliveira Júnior 1, Eulanda M. dos Santos 1, José Reginaldo Carvalho 1 1 Programa de Pós-Graduação em Informática Universidade Federal do Amazonas (UFAM) Manaus AM {joacir,emsantos,reginaldo}@dcc.ufam.edu.br Abstract. Among several steps which are necessary in order to lead oil to be marketed, the analysis of well logs plays an important role to estimate the capacity of a well. One goal of this analysis is to classify fluids into oil, gas or water. This analysis is traditionally conducted as a semi-automated process which has a system to generate graphs of curves. We propose in this work to carry out well logs classification as an automatic pattern recognition process. In addition, we compare two classifiers in order to identify the best method for automatic analysis of well logs data which are obtained from the same reservoirs. Finally, we conduct an exhaustive feature subset selection process focusing on pointing out the best feature set for fluids classification. Our results indicate that knn achieved the best recognition rates, while the feature subset composed of six features, namely DT, GR, ILD, MSFL, NPHI e RHOB, is the most relevant information for fluids classification. Our feature subset selection strategy helped to reduce the number of features while the recognition rate was increased. Resumo. Dentro das várias etapas que são necessárias até o petróleo ser comercializado, a análise de perfis elétricos representa papel de grande importância para se estimar a capacidade produtiva de um poço. Um dos objetivos da análise é a classificação de fluidos em água, óleo, gás e não reservatório. Essa análise atualmente é semi-automatizada, onde um sistema gera gráficos de curvas a partir dos quais geólogos com conhecimentos específicos, analisam e realizam a caracterização do reservatório. Outro ponto importante para os geólogos é a escolha dos perfis a serem utilizados como determinantes à classificação. Neste trabalho busca-se realizar o reconhecimento automático dos padrões destes dados, demonstrar e comparar classificadores capazes de realizar análise automática de dados de perfis de poços de petróleo com índice de acerto igual ou superior à análise de especialistas humanos e identificar os melhores perfis para a classificação de fluidos por meio de testes exaustivos com diversas combinações de perfis. Nossos resultados indicam que o classificador com melhor desempenho foi o knn, e o melhor subconjunto de características é composto pelos perfis DT, GR, ILD, MSFL, NPHI e RHOB, sendo que o número de perfis foi reduzido enquanto ocorreu o aumento na taxa de acerto do classificador. 3457
2 1. Introdução A constatação de que a Amazônia é uma região petrolífera ocorreu no dia 13 de março de 1955, segundo relatos históricos de Garcia (2008). O poço pioneiro foi batizado de NO-1-AZ e localizava-se a 125 quilômetros de Manaus, a uma profundidade de metros. Esse evento produziu muita euforia, especialmente na população do estado do Amazonas, pois a perspectiva de produção do poço NO-1-AZ depois dos primeiros testes realizados era de 600 a 700 barris por dia. Essa perspectiva de produção era suficiente para estimular mais pesquisas e a abertura de novos poços na região. Além disso, na época acreditava-se que em apenas três anos o Brasil estaria livre da importação de combustíveis, tão grande era o otimismo dos engenheiros da Petrobras. Atualmente, a indústria de petróleo brasileira cresce vigorosamente. Conforme mostra a Tabela 1, o Brasil produz mais de 2,5 milhões de barris por dia e o estado do Amazonas é responsável por cerca de barris diários. Segundo o plano de negócios da Petrobras (2011), a empresa espera duplicar suas reservas provadas até A realidade da indústria de petróleo brasileira é diferente da situação da indústria mundial, pois a produção de petróleo declina mundialmente e seus preços disparam no mercado internacional. Portanto, a pesquisa na área de petróleo apresenta elevada demanda no Brasil. Tabela 1. Distribuição da Produção de Petróleo e Gás Natural no Brasil por Estado. Ano de FONTE: ANP/SDP/SIGEP. Siglas: bbl = oil barrel, Mm 3 = metros cúbicos, boe = barris de óleo equivalente. Ēstado P etróleo (bbl/d) Ḡás Natural (Mm 3 /d) P rodução Total (boe/d) Rio de Janeiro Espírito Santo Amazonas Bahia São Paulo Rio Grande do Norte Sergipe Alagoas Ceará Total geral Antes de um poço começar a produzir, existe um longo e caro processo que envolve o estudo e a análise de dados geológicos e geofísicos. Esta fase é denominada avaliação de formações. Trata-se de atividades e estudos que visam definir em termos qualitativos e quantitativos o potencial de uma jazida petrolífera, isto é, sua capacidade produtiva e a valoração de suas reservas de óleo e gás (Thomas et al., 2001). Essa avaliação é baseada principalmente nos dados coletados na perfilagem de um poço aberto. Conforme mostra a Figura 1 e segundo Thomas et al. (2001), a perfilagem é uma imagem visual em relação à profundidade, de uma ou mais características ou perfis das rochas perfuradas tais como resistividade elétrica, potencial eletroquímico natural, tempo de trânsito das ondas mecânicas, radioatividade natural ou induzida. Outra definição pode ser encontrada em (An-nan and Lu, 2009). Esse autor afirma que perfilagem é o método que busca identificar propriedades das 3458
3 rochas e fluidos medindo informações elétricas, acústicas, termais e radioativas. Portanto, com a perfilagem é possível extrair dados importantes das formações pelas quais o poço atravessa como a litologia (tipo de rocha), espessura, porosidade, presença de óleo, gás ou água. Dependendo da análise dos perfis e das informações complementares, pode se decidir pelo abandono do poço ou no caso de se provar interesse econômico, os testes de formação para se estimar a capacidade produtiva do poço são iniciados. A classificação de perfis de poços de petróleo pode claramente ser tratada como um problema de reconhecimento automático de padrões. Não é surpresa a existência de trabalhos na literatura que realizam a classificação dos perfis de poços com ferramentas de reconhecimento de padrões (Cunha, 2002), (Flexa et al., 2004), (Wong et al., 2005) e (An-nan and Lu, 2009). Porém, apesar da possibilidade de resolução de diferentes problemas de classificação, tais como: litologia, porosidade, fluido, etc., a maioria dos trabalhos publicados na literatura realiza classificação de litologia, também conhecida como classificação de litofácies. Uma das principais razões desse consenso é que a classificação de litologia pode ser caracterizada apenas com a leitura dos perfis, fato que torna essa tarefa mais simples de ser automatizada do que a classificação de fluidos, por exemplo, que é mais complexa por depender da análise de um especialista (geólogo) com conhecimento sobre a reserva. Fluidos são classificados em óleo, gás ou água. Porém, a identificação de fluidos de um reservatório de petróleo é um processo intensivo que envolve o investimento de uma quantidade considerável de tempo por parte de um especialista experiente e com conhecimento da reserva em estudo. O problema se torna muito mais difícil à medida que aumenta o número de perfis simultâneos a serem analisados (Cunha, 2002). É papel do geólogo determinar quais os melhores perfis a serem analisados para a reserva e fazer a caracterização do reservatório que é de fundamental importância para justificar investimentos da continuidade de exploração de um poço ou o seu abandono. Portanto, a automatização do processo de seleção de perfis e da identificação de fluidos pode acelerar a etapa de caracterização de reservatórios. A seleção de perfis para a classificação de fluidos pode ser visto como um processo de otimização conhecido na literatura como seleção de características ou atributos. Segundo Kudo and Sklansky (2000), a seleção de características contribui para: (1) reduzir os custos de extração de características; (2) aumentar a acurácia da classificação; e (3) aumentar a confiança da estimativa de desempenho. O primeiro aspecto é uma consequência da redução da dimensão do espaço de entrada obtida por meio da eliminação de características irrelevantes. Os dois últimos aspectos estão relacionados com o fato de que métodos de classificação são ajustados para tomar decisões com base nas características mais relevantes. Logo, características irrelevantes ou redundantes podem confundir o classificador. O processo de seleção de subconjuntos de perfis pode ser realizado por algoritmos de busca, normalmente não exaustivos, especialmente quando há muitos perfis a serem testados. Dada uma amostra X, representada por um vetor de características (perfis), onde X = {x 1, x 2,..., x d }, algoritmos de busca são usados com frequência quando X possui muitos perfis devido à complexidade exponencial que 3459
4 uma busca exaustiva demandaria, uma vez que, sendo P(X ) o conjunto de todos os subconjuntos possíveis dos perfis de X, o tamanho de P(X ) é 2 d, onde d representa o número de perfis em X. Na análise de perfis, entretanto, há oito principais tipos de perfis elétricos: Raios Gama (GR), Neutrônico (NPHI), Indução (ILD), Sônico (DT), Densidade (RHOB), Caliper (Cal), Micro SFL (MSFL) e Índice Fotoelétrico (PEF). A descrição de cada perfil é mostrada na Tabela 2. Portanto, um processo de busca exaustiva pode ser utilizado devido ao pequeno número de perfis que representam cada amostra X. É importante também destacar que esses perfis são os mesmos utilizados para a classificação de litologias na maioria dos trabalhos publicados na literatura. Apesar do papel fundamental da etapa de seleção de características em problemas de classificação, normalmente não é realizada uma análise de impacto de cada perfil nos trabalhos relacionados com o estudo de perfis elétricos (Cunha, 2002), (Flexa et al., 2004), (Wong et al., 2005) e (An-nan and Lu, 2009). Logo, todos os perfis são utilizados para treinar os algoritmos de classificação. Figura 1. Perfis elétricos coletados durante a perfilagem de um poço. Diante desse contexto, este trabalho aplica métodos de classificação ao problema de identificação automática de fluidos utilizando dados de perfis de um poço de petróleo da Amazônia. Para que a taxa de acerto dos métodos de classificação seja maximizada, é realizada uma etapa de seleção de características para o problema investigado. O processo de otimização é realizado de forma exaustiva devido ao pequeno número de perfis investigados, isto é, oito perfis. Os objetivos deste trabalho são: (1) identificar os perfis mais relevantes para a tarefa de classificação 3460
5 Tabela 2. Principais Tipos de perfis elétricos e suas propriedades. P erfil escrição D Raios Gama (GR) Detecta a radioatividade total da formação geológica. Utilizado para a identificação da litologia, a identificação de minerais radioativos e para o cálculo do volume de argilas ou argilosidade. Neutrônico (NPHI) São utilizados para estimativas de porosidade, litologia e detecção de hidrocarbonetos leves ou gás. Indução (ILD) Fornece leitura aproximada da resistividade da rocha contendo hidrocarbonetos, através da medição de campos elétricos e magnéticos induzidos nas rochas. Micro SFL (MSFL) Similar ao ILD. Índice Fotoelétrico (PEF) É uma medida complementar de ferramentas de medição de densidade que registra a absorção de raios gama. Sônico (DT) Mede a diferença nos tempos de trânsito de uma onda mecânica através das rochas. Densidade (RHOB) Além da densidade das camadas, permite o cálculo da porosidade e a identificação das zonas de gás. Caliper Fornece o diâmetro do poço. É aplicado no cálculo do volume de cimento para tampões ou cimentação do revestimento, apoio a operações de teste de formação, controle de qualidade de perfis e indicações das condições do poço em um determinado intervalo. automática de fluidos; (2) mostrar que métodos de classificação automática podem alcançar índice de acerto igual ou superior à análise de especialistas humanos; e (3) comparar dois métodos de classificação, knn (k Nearest Neighbors) e SVM (Support Vector Machines), a fim de também identificar o método com maior taxa de classificação correta para o problema. O restante deste artigo está organizado da seguinte forma: na seção 2, é feito um levantamento do estado da arte através da descrição das soluções propostas nos principais trabalhos encontrados na literatura para o problema de análise de perfis elétricos. Na seção 3 é descrita a metodologia que será empregada no desenvolvimento do trabalho, bem como a base de dados, normalização dos dados, descrição dos experimentos realizados e dos resultados obtidos com os classificadores knn e SVM. A seção 3.2 descreve a análise de características realizada através de um método exaustivo o qual seleciona os principais perfis que permitem atingir melhores taxas de acerto na classificação por fluidos. As discussões sobre os resultados obtidos são apresentadas na seção 4. Por fim, a seção 5 resume as conclusões deste trabalho. 2. Trabalhos Relacionados Algumas tentativas de automatização do processo de análise de perfis elétricos têm sido publicadas na literatura. Nesta seção são discutidos alguns desses trabalhos. Conforme mencionado na introdução, a maioria dos trabalhos realiza classificação de litologia. Cunha (2002) utilizou dados de perfis e de testemunhos de poços para treinar redes neurais para a classificação de litofácies. A rede neural foi treinada com dados 3461
6 de 8 poços de petróleo e atingiu uma taxa de acerto de 80%. A autora relata que uma solução para o problema só foi possível após a incorporação de uma estratégia para agrupamento prévio das litofácies e tratamento de padrões problemáticos (regiões de conhecimento incerto nos conjuntos de treinamento e de teste). Outro ponto a destacar é que a autora utilizou apenas redes neurais, que têm apresentado um desempenho inferior quando comparadas com SVM (Al-Anazi and Gates, 2010a), (Wong et al., 2005), por exemplo. Flexa et al. (2004) propuseram uma metodologia baseada na técnica de análise discriminante para a identificação de litologias nos perfis de poços. Os autores pesquisaram a associação entre as variações das propriedades físicas e os tipos litológicos em profundidade. Os perfis geofísicos utilizados nesse trabalho foram raios gama (GR), sônico (DT), porosidade neutrônica (PHIN), densidade (RHOB) e resistividade (ILD). Segundo Flexa et al. (2004), a análise discriminante é uma técnica da estatística multivariada com grande eficiência na solução de problemas geofísicos. A técnica é utilizada nos casos em que se deseja realizar a separação estatística entre dois ou mais grupos de dados, que devem ser definidos previamente pela caracterização de suas variáveis discriminantes. Entretanto, no trabalho de Flexa et al. (2004), a técnica de análise discriminante não é comparada com outros classificadores. Os autores consideram que bons resultados foram obtidos, porém o desempenho real não foi apresentado. Wong et al. (2005) investigaram o desempenho do classificador SVM para a caracterização de reservatórios como permeabilidade e porosidade. Essas características são fundamentais para a localização de hidrocarbonetos, pois, sem uma boa porosidade não há como a rocha conter fluidos e sem uma permeabilidade adequada, o fluido não tem como escoar entre os poros da rocha, podendo assim, ser retirado. Nos experimentos, o classificador SVM teve uma taxa de erro de 2.6% enquanto o classificador baseado em rede neural do tipo Backpropagation (BPNN) atingiu uma taxa de erro superior, 7.4%. Apesar desse trabalho não ter como objetivo a classificação de litofácies, é realizada a classificação de características das rochas como porosidade e permeabilidade, em que os mesmos perfis utilizados para classificar litologias e fluidos são empregados. An-nan and Lu (2009) propuseram um trabalho de identificação de litologias a partir de dados de perfilagem utilizando DE-SVM com uma taxa de acerto de 90%. DE é o acrônimo de diferença evolutiva, um algoritmo baseado em algoritmos genéticos. Os autores observam que SVM tem sido usado com sucesso para identificação de litologias, mesmo com uma amostra pequena de dados. O artigo apresentou um método de otimização baseado na diferença aritmética-evolutiva (DE) para selecionar os parâmetros. Além disso, como o objetivo principal dos autores foi desenvolver um método para encontrar os melhores parâmetros para SVM, nesse trabalho não houve comparações entre classificadores como knn e redes neurais. Al-Anazi and Gates (2010a) comentam sobre a necessidade de novas técnicas de predição de litologia em reservatórios que sejam mais eficientes que os métodos estatísticos. Os autores citam a aplicação de técnicas como redes neurais e, mais atualmente, a aplicação de SVM com bons resultados mesmo em reservatórios heterogêneos. Eles comparam então esses três métodos e revelam melhores resultados 3462
7 com SVM frente à análise estatística discriminante e redes neurais. Os experimentos foram realizados a partir de dois poços provenientes de reservatórios distintos. Em um outro trabalho mais recente, Al-Anazi and Gates (2010b) aplicam SVM em um reservatório bastante heterogêneo com dados de três poços para classificar eletrofácies e predizer distribuição de permeabilidade. Novamente, os autores comparam o desempenho de SVM com redes neurais e com a técnica de análise discriminante, e também confirmam a superioridade de SVM frente às duas outras técnicas. Conforme pode ser observado nesta seção, existem diversos trabalhos sobre classificação de litofácies utilizando ferramentas de reconhecimento de padrões. Durante as pesquisas de trabalhos de percepção de padrões utilizando perfis elétricos, não foram encontrados trabalhos sobre a classificação de fluidos. Como foi mencionado na introdução, o motivo é que a classificação de fluidos em óleo, gás ou água exige do geólogo um profundo conhecimento da área de exploração. Outro fato que pode ser observado, é que os trabalhos mais recentes para o problema de classificação de litofácies têm demonstrado a superioridade do classificador SVM frente a classificadores como redes neurais e análise estatística discriminante ((Al-Anazi and Gates, 2010a), (Wong et al., 2005)). Porém, knn não foi investigado. Por fim, nenhum trabalho relacionado nesta seção realizou a seleção dos perfis elétricos. Essa seleção pode contribuir para aumentar a taxa de acerto do classificador, conforme será mostrado na próxima seção. 3. Experimentos e Resultados Esta seção descreve os experimentos e os resultados obtidos. Inicialmente, porém, descrevemos os detalhes do protocolo experimental utilizado nos experimentos. Em seguida, é feita uma análise de características através de um método exaustivo para descobrir quais perfis são mais decisivos para a classificação de fluidos. Por fim, são apresentados os resultados da comparação entre os classificadores SVM e knn Protocolo Experimental Os experimentos foram realizados com uma base de dados composta por 283 amostras de perfis de um único poço, sendo que cada amostra representa uma profundidade específica do poço. Foi realizada uma etapa de ajuste de parâmetros, onde no caso de knn, o melhor valor de k encontrado foi k=1. Para o classificador SVM, o parâmetro de regularização C foi variado de a 1000 sem alteração na classificação. O kernel escolhido deste classificador foi o polinomial, sendo que grau do polinômio=2 obteve melhores taxas de acerto. Os dados estão divididos em quatro classes de fluidos: água, gás, petróleo e não reservatório, e foram rotulados por um especialista geofísico. A Tabela 3 mostra um exemplo das amostras da base de dados. Como pode ser observado na tabela 3, os valores obtidos para cada perfil estão em escalas diferentes. Essa não normalização dos dados pode influenciar negativamente o desempenho dos classificadores, especialmente knn, que é baseado em medida de distância. Diante desse fato, um processo de normalização dos dados foi realizado. Aksoy and Haralick (2000) apresentam um estudo comparativo entre seis procedimentos de normalização que possibilitam que os dados fiquem dentro 3463
8 Tabela 3. Exemplo de amostras da base de dados n o epth C al T ḠR ĪLD SFL PHI P ef R hob D D M N ,0471 6, , , , , ,8416 3,168 2, ,1995 6, , ,5 25, , ,8258 3,1602 2, ,262 6, , ,8699 0,6001 1, ,4636 2,9233 2, ,0239 6,582 68, ,4688 5,0932 7, ,3006 2,5742 2,4555 de um intervalo [0,1]. Neste trabalho foram utilizados os dois primeiros procedimentos investigados em Aksoy and Haralick (2000). No primeiro procedimento de pré-processamento é feito um escalonamento linear normalizando os dados, sendo que é dado um limite inferior l e um limite superior u para uma característica x, resultando em x dentro de um intervalo [0,1]. x = x l u l, (1) No segundo procedimento de pré-processamento os dados são padronizados, consistindo em transformar uma característica x para uma variável aleatória com média zero e variância igual a 1 como: x = µ l σ, (2) onde µ e σ 2 são a média da amostra e a variância igual a 1 da característica x, respectivamente. A estratégia de validação cruzada conhecida como leave-one-out foi utilizada para a divisão dos dados em base de treinamento e teste. Essa estratégia consiste em treinar o classificador com todas as amostras, exceto uma amostra que é usada para o teste. Em seguida, uma nova amostra é selecionada para teste, enquanto as demais são usadas para treinamento. Esse processo é repetido até que todas as amostras sejam usadas como amostra de teste. O resultado da classificação é obtido por meio do cálculo da razão entre o número de acertos e o número total de amostras. Leave-one-out foi utilizado devido à pequena quantidade de amostras na base de dados. Os parâmetros de SVM e knn também foram ajustados. Os métodos de normalização são comparados na tabela 4, com base na taxa de acerto dos classificadores knn e SVM. Como pode ser observado na tabela 4, o classificador knn foi mais beneficiado pela normalização dos dados do que SVM. O método knn melhorou seu desempenho com ambos os procedimentos de normalização, fato que não foi observado com o classificador SVM, que não alterou a taxa de acerto de 94.34%. Esses resultados preliminares indicam que knn, com k=1, superou SVM (polinomial de grau 2) em taxa de acerto. Entretanto, a maioria das classificações incorreta, tanto para SVM quanto knn, ficou dentro da zona de transição entre água, óleo e gás. É possível que a própria classificação feita pelo especialista esteja incorreta, pois o limite entre essas zonas se confunde. A comparação entre knn e SVM é discutida com mais detalhes na seção
9 Tabela 4. Comparação dos classificadores knn e SVM com e sem normalização. Classificador Sem Normalização Normalização Tipo 1 Normalização Tipo 2 SVM 94.34% 94.34% 94.34% knn 95.75% 96.46% 96.11% Tabela 5. Taxas de erro de perfis analisados individualmente com o classificador knn com k=1. Perfis Utilizados Cal DT GR ILD MSFL NPHI PEF RHOB Tx de Erro Análise de características A seleção de características no contexto de classificadores baseados em percepção de padrões tem três objetivos: (1) reduzir os custos de extração de características, (2) aumentar a acurácia da classificação e (3) aumentar a confiança da estimativa de desempenho(kudo and Sklansky, 2000). Para descobrir qual ou quais as melhores combinações de perfis para a classificação, testamos todas as combinações possíveis para os 9 perfis, desconsiderando a profundidade uma vez que a mesma varia para cada poço e reserva e tende mais a ser prejudicial do que benéfica para a classificação, quando comparado com mais de um poço. No trabalho de Wong et al. (2005) a profundidade também foi retirada pois o autor trabalhou com reservatórios heterogêneos. Restaram assim 8 perfis (Cal, DT, GR, ILD, MSFL, NPHI, PEF e RHOB) conforme mostrado na Tabela 5, e estes geraram 244 combinações distintas. Combinações onde os perfis eram os mesmos e apenas a ordem era distinta, foram rejeitadas por não apresentarem alteração na taxa de acerto. Inicialmente, o impacto individual de cada perfil foi analisado, ou seja, o classificador foi treinado com apenas uma característica por vez. As taxas de erro obtidas estão resumidas na Tabela 5. É possível observar nessa tabela que os perfis ILD e MSFL produziram os melhores resultados individuais, sendo que o classificador obteve taxas de erro iguais a 19.43% e 28.62%, respectivamente para cada perfil. Por outro lado, o perfil CAL foi o menos relevante para a classificação de fluidos, dado que o classificador apresentou o pior resultado (67.12% de taxa de erro) ao ser treinado apenas com esse perfil. Entretanto, conforme esperado, apenas um perfil não fornece informação suficiente para o classificador produzir elevada capacidade de generalização. Logo, a seleção de subconjuntos de perfis busca aumentar o poder de discriminação das informações fornecidas para treinar o método de classificação. Na tentativa de identificar o melhor subconjunto de características, foram feitos testes exaustivos com todas as combinações de perfis, com o objetivo de aumentar a taxa de acerto e diminuir o número de características. Essa tarefa seria proibitiva caso o número de perfis fosse muito elevado. Os resultados dessa busca são sintetizados na Tabela 6. Pode ser observado que as melhores taxas de acerto foram obtidas com a seguinte combinação de perfis (DT, GR, ILD, MSFL, NPHI, RHOB), tanto com SVM quanto com knn. Portanto, o número de características foi reduzido, de 08 para 06 perfis, enquanto a taxa de acerto aumentou em 0.34% 3465
10 Tabela 6. Melhores Combinações de Perfis. Classif. Perfis utilizados Tx. Acerto Normalização SVM GR, ILD, MSFL, NPHI, RHOB 94.34% tipo 2 SVM DT, GR, ILD, NPHI, RHOB 94.34% tipo 2 SVM DT, ILD, MSFL, PEF, RHOB 92.22% tipo 2 SVM DT, GR, ILD, MSFL, NPHI, RHOB 94.69% tipo 1 SVM DT, GR, ILD, MSFL, NPHI, RHOB 94.69% tipo 2 knn GR, ILD, MSFL, NPHI, RHOB 96.81% tipo 2 knn DT, GR, ILD, NPHI, RHOB 97.17% tipo 2 knn DT, ILD, MSFL, PEF, RHOB 95.40% tipo 2 knn DT, GR, ILD, MSFL, NPHI, RHOB 97.52% tipo 1 knn DT, GR, ILD, MSFL, NPHI, RHOB 97.52% tipo 2 com SVM e 1.06% com knn, confirmando a importância do processo de seleção de características. Outro fator de destaque é que combinações com 05 perfis também apresentaram bons resultados. Os seguintes subconjuntos de cinco perfis produziram os melhores resultados: (DT, GR, ILD, NPHI, e RHOB) com SVM - reduziu o número de características e manteve a taxa de acerto do classificador; e (GR, ILD, MSFL, PEF e RHOB) com knn que também reduziu o número de características e aumentou a taxa de acerto. Embora as combinações sejam diferentes, os perfis GR, ILD e RHOB estão presentes nas duas combinações. O perfil ILD também foi o perfil mais relevante individualmente. A Figura 2 mostra o comportamento das soluções avaliadas durante o processo de busca. Figura 2. Evolução do Método Exaustivo. Analisando a matriz de confusão na Tabela 7 e a Figura 1 concluímos que a maioria dos erros ocorreu dentro das zonas de transição entre não reserva e água. Conforme mencionado anteriormente, é possível que os próprios rótulos dos dados nessas zonas de transição estejam incorretos, pois o limite entre essas zonas se confunde. 3466
11 Tabela 7. Matriz de confusão. Não Reservatório Gás Óleo Água Não Reservatório 1 Gás 1 1 Óleo 1 2 Água 1 4. Discussão Respondemos com sucesso à seguinte pergunta: É eficaz o aprendizado dentro de um poço de petróleo para as demais profundidades do mesmo poço? A resposta é sim, o classificador obtém uma alta taxa de acerto para as demais profundidades de um poço, além de utilizar uma representação reduzida dos dados, obtida por meio do processo de seleção de subconjuntos de perfis. No entanto, devido ao fato da base pertencer a apenas um poço, não foi possível verificar se o aprendizado gerado com dados de um único poço é suficientemente representativo para prever água, gás ou óleo de poços distintos, na mesma reserva e em diferentes reservatórios. Foram entrevistados 03 geólogos sobre essa questão, sendo dois da Petrobras e 01 de uma empresa de perfilagem dos Estados Unidos. Todos dizem que a classificação de fluidos em água, óleo ou gás, não pode ser feita somente com os dados da perfilagem e que necessitam de um grande conhecimento da reserva pelos geólogos. Isso acontece porque, em muitos casos, os mesmos parâmetros que em uma reserva indicam a presença de óleo, em outra reserva podem indicar a presença de gás ou nenhuma presença de fluidos. Assim, o aprendizado de um poço, dificilmente poderia ser aproveitado para outros poços em reservas diferentes. Porém, para poços vizinhos ou com características similares do reservatório, o aprendizado poderia ser generalizado. Para responder esta pergunta com confiabilidade, serão necessários testes com bases de outros poços da mesma reserva. 5. Conclusão Neste trabalho foi realizado um estudo de seleção de características para o problema de classificação de fluidos por meio de perfis elétricos. A seleção dos perfis foi realizada através de um método exaustivo em que foram testadas todas as combinações possíveis (excluindo as mesmas combinações em ordens diferentes). Os testes foram feitos com somente 1 perfil até os 8 perfis combinados. Nossos resultados indicaram que 6 perfis (DT, GR, ILD, MSFL, NPHI, RHOB) são as informações mais relevantes tanto para o aprendizado do classificador knn quanto de SVM, provando assim a importância da escolha das melhores características. Foi também apresentada uma comparação entre os classificadores knn e SVM. Em nossos experimentos realizados com uma pequena base de 283 amostras, knn obteve melhores taxas de acerto. A comparação foi feita com dados de apenas um poço por meio da técnica leave-one-out para garantirmos uma melhor confiabilidade dos dados apresentados. No entanto, para a classificação de fluidos, é possível que o aprendizado obtido com dados de um poço somente seja relevante 3467
12 para poços vizinhos ou poços com as mesmas características da base de treino. Ao se trabalhar em uma nova reserva, será necessário que o geólogo analise o novo poço para que poços vizinhos possam ser classificados automaticamente. Nossa proposta como trabalho futuro é incorporar à base dados de outros poços da mesma reserva e propor um sistema em que o geólogo não precise classificar todos os poços e sim, apenas classifique um poço para que os poços vizinhos a este possam ser classificados automaticamente. Referências Aksoy, S. and Haralick, R. M. (2000). Effects of feature normalization on image retrieval. IAPR International Conference on Pattern Recognition, 22: Al-Anazi, A. and Gates, I. (2010a). On the capability of support vector machines to classify lithology from well logs. Natural Resources Research, 19: Al-Anazi, A. and Gates, I. (2010b). A support vector machine algorithm to classify lithofacies and model permeability in heterogeneous reservoirs. Engineering Geology, 114(3 4): An-nan, J. and Lu, J. (2009). Studying the lithology identification method from well logs based on de-svm. In Control and Decision Conference, CCDC 09. Chinese, pages Cunha, E. S. (2002). Identificação de litofácies de poços de petróleo utilizando um método baseado em redes neurais artificiais. Master s thesis, Universidade Federal de Campina Grande. Flexa, R. T., Andrade, A., and Carrasquilla, A. (2004). Identificação de litotipos nos perfis de poço do campo de namorado (bacia de campos, brasil) e do lago de maracaibo (venezuela) aplicando estatística multivariada. Revista Brasileira de Geociências, 34: Garcia, E. N. (2008). A PETROBRAS NA AMAZÔNIA: a história da pesquisa de combustíveis fósseis. Norma Editora, Manaus, 1 edition. Kudo, M. and Sklansky, J. (2000). Comparison of algorithms that select features for pattern classifiers. Pattern Recognition, 33(1): Petrobras (2011). Conheça nosso plano de negócios Thomas, J. E., Triggia, A. A., and Correia, C. A. (2001). Fundamentos de Engenharia de Petróleo. Interciência. Wong, K., Ong, Y., Gedeon, T., and Fung, C. (2005). Reservoir characterization using support vector machines. In Computational Intelligence for Modelling, Control and Automation, 2005 and International Conference on Intelligent Agents, Web Technologies and Internet Commerce, International Conference on, volume 2, pages
CARACTERIZAÇÃO DE ZONAS PRODUTIVAS E CORRELAÇÃO DE POÇOS A PARTIR DA INTERPRETAÇÃO DE PERFIS ELÉTRICOS
CARACTERIZAÇÃO DE ZONAS PRODUTIVAS E CORRELAÇÃO DE POÇOS A PARTIR DA INTERPRETAÇÃO DE PERFIS ELÉTRICOS Marcus Vinícius Nunes Lima Rocha; Larissa Rafaella Barbosa de Araújo; Fabrícia Medeiros Santandrea;
Leia maisMODELAGEM DAS ZONAS DE FLUXO USANDO AS TÉCNICAS: ZONEAMENTO ESTATÍSTICO E FZI
MODELAGEM DAS ZONAS DE FLUXO USANDO AS TÉCNICAS: ZONEAMENTO ESTATÍSTICO E FZI Marcella Mayara Costa Araújo Aragão (1); José Agnelo Soares (Orientador) Universidade Federal de Campina Grande, marcella.may@hotmail.com
Leia maisESTIMATIVA DE RESERVA ATRAVÉS DE PERFIS GEOFÍSICOS DE POÇOS DO CAMPO DE NAMORADO BACIA DE CAMPOS
ESTIMATIVA DE RESERVA ATRAVÉS DE PERFIS GEOFÍSICOS DE POÇOS DO CAMPO DE NAMORADO BACIA DE CAMPOS V. F. DORNELAS 1 e C. A. M. da SILVA 2 1 Universidade Federal do Espírito Santo, Engenharia de Petróleo
Leia maisCaracterização litográfica de reservatório, Vera Cruz BA Kesia de Souza Braun* (UFVJM); Carlos Henrique Alexandrino (UFVJM)
Kesia de Souza Braun* (UFVJM); Carlos Henrique Alexandrino (UFVJM) Copyright 2016, SBGf - Sociedade Brasileira de Geofísica Este texto foi preparado para a apresentação no, Ouro Preto, 25 a 27 de outubro
Leia mais7 Resultados e Discussão
114 7 Resultados e Discussão A fim de avaliar a importância da utilização de imagens polarizadas em medidas de textura, cujo processamento necessita de imagens nos dois modos de captura (campo claro e
Leia maisCOMPLETAÇÃO DO POÇO Z ATRAVÉS DA INTERPRETAÇÃO DE PERFIS ELÉTRICOS
COMPLETAÇÃO DO POÇO Z ATRAVÉS DA INTERPRETAÇÃO DE PERFIS ELÉTRICOS Ianara Bomfim da Luz (1); José Aldo Rodrigues da Silva Filho (2); Marcela Morgana Bonifácio Chaveiro (3); Vanessa Limeira Azevedo Gomes
Leia maisPERFILAGEM DE POÇOS DE PETRÓLEO. José Eduardo Ferreira Jesus Eng. de Petróleo Petrobras S.A.
PERFILAGEM DE POÇOS DE PETRÓLEO José Eduardo Ferreira Jesus Eng. de Petróleo Petrobras S.A. 1 Conceito É uma operação realizada após a perfuração, a cabo ou com coluna (toolpusher), ou durante a perfuração
Leia maisAplicação dos métodos FZI e zoneamento estatístico no Campo de Namorado Marcella Mayara C. A. Aragão (UFCG), José Agnelo Soares* (UFCG)
Aplicação dos métodos FZI e zoneamento estatístico no Campo de Namorado Marcella Mayara C. A. Aragão (UFCG), José Agnelo Soares* (UFCG) Copyright 2016, SBGf - Sociedade Brasileira de Geofísica Este texto
Leia maisDETERMINAÇÃO DA POROSIDADE DAS ROCHAS
Escola Politécnica da Universidade de São Paulo Departamento de Engenharia de Minas e de Petróleo DETERMINAÇÃO DA POROSIDADE DAS ROCHAS PMI 1673 - Mecânica de Fluidos Aplicada a Reservatórios Prof. Eduardo
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisA CADEIA PRODUTIVA DO PETRÓLEO
Escola Politécnica da Universidade de São Paulo Departamento de Engenharia de Minas e de Petróleo A CADEIA PRODUTIVA DO PETRÓLEO PMI 3101 - Introdução à Engenharia para a Indústria Mineral Prof. Eduardo
Leia maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Leia maisZONEAMENTO ESTATÍSTICO APLICADO EM RESERVATÓRIOS PETROLÍFEROS, BACIA DE CAMPOS - RJ
ZONEAMENTO ESTATÍSTICO APLICADO EM RESERVATÓRIOS PETROLÍFEROS, BACIA DE CAMPOS - RJ Marcella Mayara C. A. Aragão 1 ; José Agnelo Soares 2 1 Universidade Federal de Campina Grande, Unidade Acadêmica de
Leia maisA CADEIA PRODUTIVA DO PETRÓLEO
Escola Politécnica da Universidade de São Paulo Departamento de Engenharia de Minas e de Petróleo A CADEIA PRODUTIVA DO PETRÓLEO PMI 3101 -Introdução à Engenharia para a Indústria Mineral Prof. Eduardo
Leia mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia mais2. METODOLOGIA DE PESQUISA
2. METODOLOGIA DE PESQUISA O presente capítulo apresenta a metodologia de pesquisa proposta e procura-se dar uma visão geral do que será feito para atingir os objetivos. Está dividido em seis partes: i)
Leia maisAJUSTE DE HISTÓRICO PELO MÉTODO HIPERCUBO LATINO
AJUSTE DE HISTÓRICO PELO MÉTODO HIPERCUBO LATINO Leticia Steckel (1); Valmir Francisco Risso (2) ¹ Universidade Federal de Pelotas letisteckel@hotmail.com ² Universidade Federal de Pelotas vfrisso@gmail.com
Leia maisConceitos de Aprendizagem de Máquina e Experimentos. Visão Computacional
Conceitos de Aprendizagem de Máquina e Experimentos Visão Computacional O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos
Leia maisFigura 1 Localização do pré-sal no Brasil Fonte: Petrobras (c2012).
1 Introdução As reservas mundiais de petróleo e gás em grande parte estão situadas em reservatórios constituídos por rochas carbonáticas. Essas rochas formadas principalmente de calcários e dolomitas (carbonatos
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisInteligência Artificial
Inteligência Artificial Aula 14 Aprendizado de Máquina Avaliação de s Preditivos (Classificação) Hold-out K-fold Leave-one-out Prof. Ricardo M. Marcacini ricardo.marcacini@ufms.br Curso: Sistemas de Informação
Leia mais6 Aplicação da Metodologia Proposta
6 Aplicação da Metodologia Proposta 6.1 Introdução A utilização da metodologia Box & Jenkins para a identificação da estrutura adequada é tarefa difícil para um usuário sem conhecimento prévio. Por isso,
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia mais3 Metodologia para Avaliação Probabilística de Reservas
3 Metodologia para Avaliação Probabilística de Reservas Este trabalho tem o objetivo de propor uma metodologia para a avaliação probabilística de reservas de óleo e gás. Conforme exposto no capítulo introdutório,
Leia maisMODELAGEM DE ELETROFÁCIES APLICADA À INDÚSTRIA PETROLÍFERA UM EXEMPLO NO CAMPO DE NAMORADO
Copyright 2004, Instituto Brasileiro de Petróleo e Gás - IBP Este Trabalho Técnico Científico foi preparado para apresentação no 3 Congresso Brasileiro de P&D em Petróleo e Gás, a ser realizado no período
Leia maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 11 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 5 de Janeiro de 2016 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisAprendizado de Máquina
Aprendizado de Máquina Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Introdução 1 Introdução Aprendizado de Máquina Extração de conhecimento. Automatização de tarefas. Tomada de Decisões.
Leia maisAplicações da RMN em baixo campo - Petrofísica
Aplicações da RMN em baixo campo - Petrofísica Rodrigo B. de V. Azeredo Instituto de Química - UFF Petrofísica 2 Termo cunhado por Archie em 950 De acordo com Peters 2, entende-se por petrofísica o estudo
Leia maisRickson Guidolini Orientador: Nivio Ziviani Co-orientador: Adriano Veloso
Detecção de Réplicas de Sítios Web em Máquinas de Busca Usando Aprendizado de Máquina Rickson Guidolini Orientador: Nivio Ziviani Co-orientador: Adriano Veloso Universidade Federal de Minas Gerais LATIN
Leia mais1 INTRODUÇÃO 1.1. Motivação
1 INTRODUÇÃO 1.1. Motivação Entre as regiões afastadas da costa, as Bacias de Campos e de Santos (localizadas no Sudeste do Brasil) vêm recebendo uma considerável atenção pela indústria do petróleo por
Leia maisCARACTERIZAÇÃO DA ARGILOSIDADE E POROSIDADE POR MÉTODOS DIRETOS E INDIRETOS
CRCTERIZÇÃO D RGILOSIDDE E POROSIDDE POR MÉTODOS DIRETOS E INDIRETOS Felipe Barreiros Gomes e Fernanda Silva Calixto; ntônio Jorge Vasconcellos Garcia. Universidade Federal de Sergipe, Centro de Ciências
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Bagging,, Support Vector Machines e Combinação de Classificadores Alessandro L. Koerich Uma visão geral de diversos tópicos relacionados à Aprendizagem de Máquina:
Leia mais7. RESULTADOS DAS PREVISÕES OUT OF SAMPLE
7. RESULTADOS DAS PREVISÕES OUT OF SAMPLE O Capítulo 7 mostra os resultados das previsões out of sample. É importante para verificar a adequação dos modelos escolhidos no Capítulo 6 num contexto preditivo.
Leia maisSCC Capítulo 10 Métodos de Amostragem e Avaliação de Algoritmos
Métodos de Amostragem e Avaliação de Algoritmos SCC-630 - Capítulo 10 Métodos de Amostragem e Avaliação de Algoritmos João Luís Garcia Rosa 1 1 Departamento de Ciências de Computação Instituto de Ciências
Leia maisInteligência Artificial
Aprendizagem por que? lnteligência Artificial Aprendizagem em IA Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado permite lidar com
Leia maisREPÚBLICA FEDERATIVA DO BRASIL
RELATÓRIO em 31 DE DEZEMBRO DE 2010 acerca dos RECURSOS CONTINGENTES atribuíveis a CERTOS ATIVOS pertencentes à OGX PETRÓLEO e GÁS PARTICIPAÇÕES S.A. nas BACIAS DE CAMPOS e DO PARNAÍBA da REPÚBLICA FEDERATIVA
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia mais5 Análise Tridimensional de Pressão de Poros Usando o Modelo de Eaton e o Trend de Bowers
131 5 Análise Tridimensional de Pressão de Poros Usando o Modelo de Eaton e o Trend de Bowers Usando a mesma base de dados do capítulo 4, se aplicou uma análise tridimensional de pressão de poros com fins
Leia maisAprendizado em IA. Prof. Carlos H. C. Ribeiro ITA Divisão de Ciência da Computação
Aprendizado em IA Prof. Carlos H. C. Ribeiro ITA Divisão de Ciência da Computação Tópicos Agentes baseados em aprendizado Aprendizado indutivo Árvores de decisão Método ID3 Aprendizado em redes neurais
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
Leia mais5 Experimentos Conjunto de Dados
Experimentos 48 5 Experimentos Este capítulo apresenta o ambiente experimental utilizado para validar o método de predição do CTR proposto neste trabalho. Na seção 5.1, descrevemos a geração do conjunto
Leia mais5 Resultados Dados artificiais Convergência à mediana e à média com dados artificiais
5 Resultados Os resultados da aplicação do método proposto estão estruturados de forma a evidenciar: 1. A convergência numérica do algoritmo proposto nesta tese para a mediana e para a média de grupos
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia mais5 Experimentos Corpus
5 Experimentos 5.1. Corpus A palavra corpus significa corpo em latim. No contexto de Aprendizado de Máquina, corpus se refere a um conjunto de dados utilizados para experimentação e validação de modelos.
Leia maislnteligência Artificial Aprendizagem em IA
lnteligência Artificial Aprendizagem em IA 1 Aprendizagem por que? Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado permite lidar com
Leia maisESTUDO DAS GEOPRESSÕES APLICADAS AO ASSENTAMENTO DAS SAPATAS DE REVESTIMENTO NA BACIA DO SOLIMÕES
ESTUDO DAS GEOPRESSÕES APLICADAS AO ASSENTAMENTO DAS SAPATAS DE REVESTIMENTO NA BACIA DO SOLIMÕES R.P.CONTE¹, C.A.S PINTO² e S.R.M SARKIS³ 1 Universidade Federal do Amazonas, Faculdade de Tecnologia, Departamento
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia maisAvaliando Hipóteses. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE
Avaliando Hipóteses George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Pontos importantes Erro da Amostra e Erro Real Como Calcular Intervalo de Confiança Erros de hipóteses Estimadores Comparando
Leia maisModelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:
Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização
Leia mais5 PREVISÃO DE SÉRIES TEMPORAIS DE VAZÃO DE DRENOS DA BARRAGEM DE FUNIL
5 PREVISÃO DE SÉRIES TEMPORAIS DE VAZÃO DE DRENOS DA BARRAGEM DE FUNIL 5.1 Introdução Existem situações, como por exemplo, em grandes obras de engenharia (portos, barragens, usinas nucleares, etc.), em
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 13 Support Vector Machines (SVM) Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia mais6 Estudo de Casos Descrição do Campo para os Testes
6 Estudo de Casos O estudo de casos é realizado com perfis de poço do Campo de Namorado e divido, basicamente, em quatro seções: uma para a descrição do campo, duas seções para a previsão de perfis com
Leia maisSeleção de Atributos 1
Seleção de Atributos 1 Tópicos Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Seleção de atributos antes do aprendizado Benefícios Abordagens automáticas
Leia mais2 o CONGRESSO BRASILEIRO DE P&D EM PETRÓLEO & GÁS
2 o CONGRESSO BRASILEIRO DE P&D EM PETRÓLEO & GÁS INVESTIGAÇÃO DO TREINAMENTO DE UMA REDE NEURAL PARA O RECONHECIMENTO DE LITOFÁCIES COMBINANDO DADOS DE TESTEMUNHOS E PERFIS DE POÇOS DE PETRÓLEO Elisângela
Leia mais5 Discussão de resultados
5 Discussão de resultados Neste capítulo são apresentados os resultados da estimativa das pressões de poros pelas duas metodologias aplicadas nesta pesquisa. Primeiro se apresentam os resultados da metodologia
Leia maisCLASSIFICAÇÃO DE CROMATOGRAMAS GASOSOS DE ÓLEOS BASEADA EM REDES NEURAIS
Copyright 04, Instituto Brasileiro de Petróleo e Gás - IBP Este Trabalho Técnico Científico foi preparado para apresentação no 3 Congresso Brasileiro de P&D em Petróleo e Gás, a ser realizado no período
Leia maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo (knn) Um algoritmo supervisionado usado para classificar
Leia maisMÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Leia mais5 Agregação das Reservas das Entidades
5 Agregação das Reservas das Entidades Neste capítulo é apresentado o procedimento de agregação das reservas das entidades. É importante ressaltar que as entidades probabilísticas sofrem agregação probabilística,
Leia maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Marcelo K. Albertini 14 de Setembro de 2015 2/22 Máquinas de Vetores de Suporte Support Vector Machines (SVM) O que é? Perceptron revisitado Kernels (núcleos) Otimização
Leia mais5 Resultados e Discussão
5 Resultados e Discussão Neste capítulo serão expostos e discutidos os resultados obtidos no presente trabalho. Estes resultados mostram a importância das diferentes técnicas de aquisição, com captura
Leia maisOTIMIZAÇÃO DOS PARÂMETROS OPERACIONAIS PARA AUMENTAR A RENTABILIDADE DE PROJETOS DE INJEÇÃO DE ÁGUA APÓS O VAPOR EM RESERVATÓRIOS DE ÓLEO PESADO
OTIMIZAÇÃO DOS PARÂMETROS OPERACIONAIS PARA AUMENTAR A RENTABILIDADE DE PROJETOS DE INJEÇÃO DE ÁGUA APÓS O VAPOR EM RESERVATÓRIOS DE ÓLEO PESADO M. A. F. RODRIGUES 1, E. R. V. P. GALVÃO 1 1 Universidade
Leia maisi j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 17 Support Vector Machines (SVM) Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo k-nearest Neighbors (knn) Como os filmes são categorizados em gêneros? O que
Leia maisClassificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si
Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências
Leia mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular André C.. L. F. de Carvalho Monitor: Valéria Carvalho lanejamento e Análise de Experimentos rincipais tópicos Estimativa do erro artição dos dados Reamostragem
Leia maisMúltiplos Classificadores
Universidade Federal do Paraná (UFPR) Bacharelado em Informátia Biomédica Múltiplos Classificadores David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Múltiplos classificadores Combinação de classificadores
Leia maisAnálise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
Leia mais2 O Processo de Avaliação de Recursos de Petróleo Não Descobertos
2 O Processo de Avaliação de Recursos de Petróleo Não Descobertos Antes do processo de exploração de recursos não descobertos, são as atividades de prospecção de petróleo que identificam regiões que pela
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre Assunto Aula 10 Modelos Preditivos - Árvore de Decisão 2 de 20 Aula 10 - Árvore de
Leia maisProjeto de Engenharia de Petróleos
1 Projeto de Engenharia de Petróleos JOSÉ CARLOS DE CARVALHO GONÇALVES, 76642 INSTITUTO SUPERIOR TÉCNICO MESTRADO EM ENGENHARIA DE PETRÓLEOS 31 DE JANEIRO DE 2014 2 Análise Geomecânica na Estabilidade
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Leia maisDescoberta de Conhecimento em Bancos de Dados - KDD
Descoberta de Conhecimento em Bancos de Dados - KDD Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Fases do processo 3. Exemplo do DMC 4. Avaliação
Leia mais5 Estudo de Casos. Tabela 5 - Características dos Banco de Dados
5 Estudo de Casos O principal objetivo desse estudo de casos é a avaliação do desempenho do modelo FREx_SVM em problemas envolvendo duas ou mais classes. São estudados quatro problemas, dois de classificação
Leia mais4 Analise de Pressão de Poros
4 Analise de Pressão de Poros Este capítulo visa apresentar a análise de pressão de poros dos poços DB-3, DB-4, DB-5 e DB-11. Os poços foram escolhidos para a determinação da tendência de compactação normal
Leia maisInformática Parte 19 Prof. Márcio Hunecke
Escriturário Informática Parte 19 Prof. Márcio Hunecke Informática NOÇÕES DE ALGORITMOS DE APRENDIZADO O aprendizado automático, aprendizado de máquina (em inglês: "machine learning") ou aprendizagem
Leia maisESTUDO DA INJEÇÃO DE VAPOR E SOLVENTE EM RESERVATÓRIOS COM CARACTERÍSTICAS SEMELHANTE AO DO NORDESTE BRASILEIRO
ESTUDO DA INJEÇÃO DE VAPOR E SOLVENTE EM RESERVATÓRIOS COM CARACTERÍSTICAS SEMELHANTE AO DO NORDESTE BRASILEIRO D. A. R. Silva 1 e J. L. M. Barillas 2 12 Universidade Federal do Rio Grande do Norte, Centro
Leia mais2 o CONGRESSO BRASILEIRO DE P&D EM PETRÓLEO & GÁS
2 o CONGRESSO BRASILEIRO DE P&D EM PETRÓLEO & GÁS APLICAÇÃO DO K-MEANS CLUSTER A DADOS DE PERFIS DE POÇOS PETROLÍFEROS A C B da Rocha 1, F A M de Souza 2 1 UFCG/CCT/DME Av Aprígio Veloso, 882, Bodocongó,
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
Leia maisAprendizado de Máquina
Aprendizado de Máquina Introdução Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 19 Introdução
Leia maisInteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo] Aprendizagem de Máquina Área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre
Leia maisINF Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza
INF2608 - Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza Trabalho 02 Visualização de Imagens Sísmicas e Detecção Automática de Horizonte Resumo Este trabalho
Leia maisANÁLISE DA INJEÇÃO DE CO2 EM RESERVATÓRIOS DE ÓLEOS LEVES COM CARACTERÍSTICAS DO NORDESTE BRASILEIRO.
ANÁLISE DA INJEÇÃO DE CO2 EM RESERVATÓRIOS DE ÓLEOS LEVES COM CARACTERÍSTICAS DO NORDESTE BRASILEIRO. C. S. do N. GARCIA 1, J. L M. BARILLAS 2 1 Universidade Federal do Rio Grande do Norte, Departamento
Leia mais5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO
102 5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO Conforme detalhado na seção 4.3, foram criados três conjuntos de dados: clientes BT com 382 padrões, clientes comerciais MT com 866 padrões e clientes industriais
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Avaliação de Paradigmas Alessandro L. Koerich Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisANÁLISE DA BACIA POTIGUAR: um estudo de caso acerca da produção petrolífera. Manoel Mariano Neto da Silva 1 ; Judson Diniz Medeiros 2, Almir Mariano de Sousa Junior 1 Universidade Federal Rural do Semi-Árido
Leia maisObjetivos. 1. O método desenvolvido usa características de pares de pixeis para fazer estatísticas e formar
Introdução Comidas podem apresentar deformações e variações em sua forma, além de conter muitos ingredientes, nem todos visíveis; Métodos tradicionais de reconhecimento requerem a detecção de características
Leia maisIdentificação de Pontos Perceptualmente Importantes (PIP) em séries temporais de tópicos extraídos de dados textuais
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Ciências de Computação - ICMC/SCC Comunicações em Eventos - ICMC/SCC 2015 Identificação de Pontos Perceptualmente
Leia maisClassificação: 1R e Naïve Bayes. Eduardo Raul Hruschka
Classificação: 1R e Naïve Bayes Eduardo Raul Hruschka Agenda: Conceitos de Classificação Técnicas de Classificação One Rule (1R) Naive Bayes (com seleção de atributos) Super-ajuste e validação cruzada
Leia mais